CN113689045A - 一种光伏区域并网电量的预测方法、设备及介质 - Google Patents
一种光伏区域并网电量的预测方法、设备及介质 Download PDFInfo
- Publication number
- CN113689045A CN113689045A CN202110997927.7A CN202110997927A CN113689045A CN 113689045 A CN113689045 A CN 113689045A CN 202110997927 A CN202110997927 A CN 202110997927A CN 113689045 A CN113689045 A CN 113689045A
- Authority
- CN
- China
- Prior art keywords
- data
- electric quantity
- photovoltaic
- grid
- power generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000010248 power generation Methods 0.000 claims abstract description 117
- 230000007774 longterm Effects 0.000 claims abstract description 66
- 230000007246 mechanism Effects 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 101000628535 Homo sapiens Metalloreductase STEAP2 Proteins 0.000 description 1
- 102100026711 Metalloreductase STEAP2 Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013082 photovoltaic technology Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本说明书实施例公开了一种光伏区域并网电量的预测方法,用以解决现有技术中并网电量预测不准确的问题。方法包括:将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;基于预设的时间间隔,将光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得光伏区域的短时并网电量值;基于预设的时间间隔将所述实时数据、气象机构预测数据及短时预测电量值,输入预设的长期预测模型,获得光伏区数据的长期并网电量值;根据长期预测模型持续预测光伏区域的长期预测电量,获得光伏区域的预测并网电量序列。
Description
技术领域
本说明书涉及数字新能源技术领域,尤其涉及一种光伏区域并网电量的预测方法、设备及介质。
背景技术
近年来,在全球范围内大规模开发利用传统化石能源,导致环境污染、气候变化等问题日益突出。太阳能是目前最为清洁、安全可靠的能源,其开发利用已经成为了能源革命的主要内容。光伏是太阳能光伏发电***的简称,是一种新型的发电***,其利用太阳电池半导体材料的光伏效应将太阳能辐射能直接转换为电能。而分布式光伏发电作为光伏新能源产业的重要方向,多建设在用户场地附近,以用户侧自发自用、多余电量上网运行的方式存在,通过分布式光伏并网实现能源有效利用。然而分布式光伏自发自用、余量上网的运行方式,使得其并网电量的随机性和波动性对配电网来说影响很大,要保证现有电网的安全运行,需要有效的预测分布式光伏发电的并网电量。
现有技术中对并网电量的预测,多采用基于卷积神经网络的深度学习技术,进行分析预测。但目前采用的二维卷积神经网络在视频处理等具有时序性的领域,不能很好的捕获时序上的信息,无法发现数据间的时间相关性和空间相关性,使得并网电量的预测准确性较低,无法实现电力并网业务的精细化管理。
因此,现需要一种可以持续提高分布式光伏发电可并网电量预测准确率的方法。
发明内容
本说明书一个或多个实施例提供了一种光伏区域发电量预测方法,用于解决如下技术问题:如何提高光伏区域并网电量预测的准确率。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种光伏区域并网电量的预测方法,方法包括:
将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;
基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值;
基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区域的长期并网电量值;
根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
可选地,本说明书一个或多个实施例中,所述将待测区域的分布式光伏发电设备划分,获得多个光伏区域,具体包括:
获取所述待测区域的城市规划状况;其中,所述城市规划状况至少包括:电网的负荷阈值;
根据所述待测区域的城市规划状况与所述分布式光伏发电设备的分布状况,确定所述光伏设备的初步划分区域;
根据所述光伏设备的初步划分区域将待测区域划分为多个光伏区域。
可选地,在本说明书一个或多个实施例中,所述将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设短时预测模型之前,所述方法还包括:
基于云数据中心获取各分布式光伏发电设备的实时数据及气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据;其中,所述实时数据包括:可并网电量值、温度值、湿度值、光照强度、物联网传感器的采集数据、分布式光伏运行数据;
根据所述分布式光伏发电设备的物联网传感数据采集频率设定3D卷积神经网络的时间维度;
将所述过滤后数据作为第一训练特征数据,并将所述第一训练特征数据通过多通道输入所述3D卷积神经网络;
基于所述3D卷积神经网络训练符合要求的短时预测模型。
可选地,本说明书一个或多个实施例中,所述基于预设的时间间隔将所述实时数据、预测数据及所述短时预测电量值,输入预设的长期预测模型之前,所述方法还包括:
基于云数据中心获取各分布式光伏发电设备的实时数据、气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据;
根据所述分布式光伏发电设备的物联网传感数据采集频率,设定3D卷积神经网络的时间维度;
将所述过滤后数据以及所述短期预测模型确定的短时预测电量作为第二训练特征数据并将所述第二训练特征数据基于多通道输入所述3D卷积神经网络;
通过所述3D卷积神经网络的训练学习,获得符合要求的长期预测模型。
可选地,本说明书一个或多个实施例中,所述基于云数据中心获取各分布式光伏发电设备的实时数据及气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据之前,所述方法还包括:
采集各分布式光伏发电设备的物联网采集数据、分布式光伏运行数据、可并网电量,环境数据,作为所述分布式光伏发电设备的实时数据;其中,所述环境数据至少包括:温度值、湿度值、光照强度;
基于权威气象机构获取所述光伏区域的气象机构预测数据,其中,所述气象机构预测数据包括:云图数据、气象数据、气象机构预测数据;
将所述分布式光伏发电设备的实时数据与所述气象机构预测数据存储到云数据中心,以便基于所述云数据中心进行数据分析处理。
可选地,本说明书一个或多个实施例中,所述采集各分布式光伏发电设备的物联网采集数据,具体包括:
获取所述分布式光伏发电设备的物联网传感数据采集频率;
根据所述物联网传感数据采集频率、所述3D卷积神经网络的时间维度及光伏区域的范围,设定所述光伏区域的数据采集计算公式;
基于所述数据采集计算公式获得物联网传感器的采集数据。
可选地,本说明书一个或多个实施例中,所述根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测电量序列之后,所述方法还包括:
根据所述预测电量序列获取各光伏发电设备的可并网电量;
根据所述可并网电量与所述待测区域的城市规划状况,调整所述光伏发电设备的划分,获得更新后的光伏区域。
可选地,本说明书一个或多个实施例中,所述获得更新后的光伏区域之后,所述方法还包括:
根据所述预测电量序列调整所述光伏发现设备物联网采集数据频率及光伏区域的数据采集计算公式,获取调整后的采集参数;
基于所述更新后的光伏区域大小、调整后的采集参数即预测电量序列分别对所述短时预测模型及长期预测模型进行优化。
本说明书一个或多个实施例提供一种光伏区域并网电量的预测设备,设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;
基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值;
基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区数据的长期并网电量值;
根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;
基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值;
基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区数据的长期并网电量值;
根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过对待测区域进行光伏区域的划分,实现了光伏设备的分组管理。基于3D卷积神经网络的短时预测模型与长期预测模型,可以有效地发现数据间的时间相关性和空间相关性,更准确的预测光伏发电设备的可并网电量,为安全并网策略提供安全高效的数据支撑。通过短时预测模型与长期预测模型的混合预测,避免了单一预测模型预测精度低、可靠性低的问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种光伏区域并网电量的预测方法的方法流程示意图;
图2为本说明书实施例提供的图1中一个应用场景下的光伏区域发电量预测模型结构图;
图3为本说明书实施例提供的图1中一个应用场景下的光伏发电***组成图;
图4为本说明书实施例提供的一种光伏区域并网电量的预测设备的设备内部结构图;
图5为本说明书实施例提供的一种非易失性存储介质的内部结构示意图。
具体实施方式
本说明书实施例提供一种光伏区域并网电量的预测方法、设备及介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
随着光伏技术的不断发展,各种大型的光伏发电***也逐渐兴起,并网后的光伏发电设备是对原有电力***的一种补充,但是,由于光伏发电设备的原理是利用光电转换技术将光能转化为电能,其光电转换过程的效率高低严重取决于该光伏发电***所在地区的气象条件,即,气温、风速等气象参数的波动将直接影响该光伏发电***的发电量,换句话说,光伏发电***并非一种持续稳定的供电***,具有极度的波动性和间歇性,这必然给整个电力***的电力调度带来极大的困难,一旦光伏发电***的发电量发生极大的变化,将直接影响电网的稳定性。因此,需要对光伏发电设备的并网电量进行预测,以实时调整光伏发电设备的并网策略,保证该区域的电网安全。
现有技术中,随着深度学习技术的快速发展,以及互联网和云计算时代海量数据和高效计算能力的支撑,以卷积神经网络为代表的深度学习技术,作为一种学习预测模型正在给整个社会带来颠覆性的变化。传统的卷积神经网络在文本和图像领域的识别得到了提升,但是传统的2D卷积神经网络不能很好的捕获时序上的信息,无法从时间和空间维度提取光伏发电设备的特征数据,使得对光伏发电设备的并网电量的预测精度较低,无法较为安全的保护电网***。
为解决上述问题,本说明一个或多个实施例中,针对分布式光伏发电的特点,根据城市实际状况将监测位置划分为固定区域单元,采集分布式光伏发电设备的实时数据及气象机构的预测数据,基于3D卷积神经网络,预测未来时刻的光伏区域并网电量,为更好的实现高效安全的并网方式提供了数据支撑,从而实现精细化管理电两并网业务,保证了电网***的安全性。
以下结合附图,详细说明本说明书提供的技术方案。
如图1所示,位本说明书一个或多个实施例提供的一种光伏区域并网电量的预测方法的方法流程示意图。
由图1可知,在本说明书一个或多个实施例中,一种光伏区域并网电量的预测方法,包括以下步骤:
S101:将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域。
在本说明书一个或多个实施例中,所述将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域,具体包括:
获取所述待测区域的城市规划状况;其中,所述城市规划状况至少包括:电网的负荷阈值;
根据所述待测区域的城市规划状况与所述分布式光伏发电设备的分布状况,确定所述分布式光伏发电设备的初步划分区域;
根据所述分布式光伏发电设备的初步划分区域将待测区域划分为多个光伏区域。
通过获取待测区域的城市规划状况,可以获得待测区域所在城市对于电网***运行负荷的要求,即为了保证电网***的安全运行,可以进行并网的电量需要受到电网可承载负荷的限制,以避免电网高负荷运行时出现的不可避免的安全性问题。因此,根据待测区域的城市规划状况以及分布式光伏发电设备的分布状况,在充分考虑了分布式光伏发电设备的分配密度后,要初步对待测区域进行区域划分,将待测区域划分为多个光伏区域。通过光伏区域的划分,实现了分布式光伏发电设备的分组管理,提高了电网***的管理精细化程度。
其中,需要说明的是:分布式光伏发电设备也被称为分散式发电或者分布式供能,是指在用户现场或靠近用电现场配置较小的光伏发电供电***,以满足特定用户的需求,支持现存配电网的经济运行,或者同时满足这两个方面的需求。实际应用中,分布式光伏发电设备的运行模式是在有太阳辐射的条件下,光伏发电设备的太阳能电池组件阵列将太阳能进行转换输出电能,并经过直流汇流箱集中送入直流配电柜,由并网逆变器变成交流电供给建筑自身负载,多余或者不足的电力通过连接电网来调节。
S102:基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值。
在本说明书一个或多个实施例中,所述将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设短时预测模型之前,方法还包括:
基于云中心获取各分布式光伏发电设备的实时数据及气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据;其中,所述实时数据包括:可并网电量值、温度值、湿度值、光照强度、物联网传感器的采集数据、分布式光伏运行数据;
根据所述分布式光伏发电设备的物联网传感数据采集频率设定3D卷积神经网络的时间维度;
将所述过滤后数据作为第一训练特征数据,并将所述第一训练特征数据通过多通道输入所述3D卷积神经网络;
基于所述3D卷积神经网络训练符合要求的短时预测模型。
在本说明书一个或多个实施例中,所述基于云数据中心获取各分布式光伏发电设备的实时数据及气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据之前,所述方法还包括:
采集各分布式光伏发电设备的物联网采集数据、分布式光伏运行数据、可并网电量,环境数据,作为所述分布式光伏发电设备的实时数据;其中,所述环境数据至少包括:温度值、湿度值、光照强度;
基于权威气象机构获取所述光伏区域的气象机构预测数据,其中,所述气象机构预测数据包括:云图数据、气象数据、气象机构预测数据;
将所述分布式光伏发电设备的实时数据与所述气象机构预测数据存储到云数据中心,以便基于所述云数据中心进行数据分析处理。
在本说明书一个或多个实施例中,所述采集各分布式光伏发电设备的物联网采集数据,具体包括:
获取所述分布式光伏发电设备的物联网传感数据采集频率;
根据所述物联网传感数据采集频率、所述3D卷积神经网络的时间维度及光伏区域的范围,设定所述光伏区域的数据采集计算公式;
基于所述数据采集计算公式获得物联网传感器的采集数据。
采集当前时刻及过去时刻来自分布式光伏发电设备的物联网采集数据、可并网电量数据和环境数据作为分布式光伏发电设备的实时数据,汇聚到云数据中心。同时基于权威气象机构获取云图数据、气象数据以及气象机构未来时段的预测数据作为气象机构预测数据,也汇聚到云数据中心,以便基于所述云数据中心实时调用所述实时数据以及气象机构预测数据。其中,需要说明的是因为分布式光伏发电设备会因为环境因素而影响其自身的发电量,所以实时数据包括有:可并网电量值、温度值、湿度值、光照强度、物联网传感器的采集数据以及分布式光伏发电设备的运行数据等。
根据分布式光伏发电设备实际物联网传感数据采集频率,可以设定3D卷积神经网络的时间维度。同时通过物联网传感数据采集频率、所述3D卷积神经网络的时间维度及光伏区域的范围,获得光伏区域的数据采集计算公式。根据数据采集共识获得实时数据中的物联网传感器的采集数据。
从云数据中心调用各分布式光伏充电设备的实时数据及气象机构预测数据,在进行数据清洗和过滤以去除明显错误数据,从而提高并网电量的预测精确度。将过滤后的数据作为第一训练特征数据通过多通道输入到3D卷积神经网络中,获得符合要求的短时预测模型。
在本说明书一个或多个实施例中,所述短时预测模型为下一时刻预测模型(Short-Term Predict Model,简称STPM)。预测模型STPM由归一化层、3D卷积神经网络层、池化层、全连接层等层构成。如下图2所示,预测模型STMP根据当前时刻以及前段时间内可并网实际电量值、温度、湿度、光照、光伏运行物联网实际采集数据以及云图图像以区域为单位,结合3D卷积神经网络的时间维度,形成三维结构特征,并将每个特征作为一个独立通道,通过多通道输入到深度学习神经网络模型中,从而输出下一时刻的预测值即短时间内的并网电量预测。通过采用3D卷积神经网络作为预测模型的核心,可以更加有效地发现数据间的时间相关性和空间相关性,更加准确的预测分布式光伏发电的可并网电量。
其中,需要说明的是:如图3所示云数据中心聚合大量计算、存储、网络资源,并提供计算服务、存储服务、网络资源服务、物联网连接服务、深度学习基础训练服务、人工智能硬件加速服务、数据库服务、消息中间件服务等云服务;所述的分布式光伏发电设备是利用太阳电池半导体材料的光伏效应,将太阳光辐射能直接转换为电能的装置,包含光伏设备、逆变器、物联网传感器、储能设备等硬件,并且具备储能功能、数据采集功能、发电并网、电量控制等功能;所述的储能功能基于如蓄电池储能设备等装备,将满足离网自发自用之外的多余发电进行存储;所述的数据采集功能基于物联网传感装置,采集温度、湿度、光照、有效电流、光伏运行状况信息等数据,并通过网络连接将数据实时汇聚到云数据中心;所述的发电并网功能将光伏发电通过逆变器以及相关控制装置,根据实际状况并入主电网。
S103:基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区数据的长期并网电量值。
在本说明书一个或多个实施例中,所述基于预设的时间间隔将所述实时数据、预测数据及所述短时预测电量值,输入预设的长期预测模型之前,方法还包括:
基于云数据中心获取各分布式光伏发电设备的实时数据、气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据;
根据所述分布式光伏发电设备的物联网传感数据采集频率,设定3D卷积神经网络的时间维度;
将所述过滤后数据以及所述短期预测模型确定的短时预测电量作为第二训练特征数据并将所述第二训练特征数据基于多通道输入所述3D卷积神经网络;
通过所述3D卷积神经网络的训练学习,获得符合要求的长期预测模型。
通过与上述步骤S103中短时预测模型相似的过程对长期预测模型进行训练。具体地,首先在云数据中心中获取各分布式光伏发现设备的实时数据、气象机构预测数据,根据分布式光伏发电设备的物联网传感数据采集频率,设定3D卷积神经网络的时间维度。由图2所示,通过上述步骤S103中的短时预测模型输出的短时并网电量值,已经发生过的之前的数据特征以及气象机构提供的未来的数据特征,在经过数据处理后,作为第二训练特征输入到3D卷积神经网络中进行训练,将符合要求的作为长期预测模型,从而根据长期预测模型获得光伏区域的长期并网电量值。
在本说明书一个或多个实施例中,所述长期预测模型为基于3D卷积神经网络的未来一段时间预测模型(Long-Term Predict Model,简称LTPM)。所述的预测模型LTPM主要结构采用3D卷积神经网络,主要基于前段时刻的并网电量值及来自气象预测的温度、云图情况,持续输出未来时段的电量预测值。通过采用短时预测模型以及长期预测模型两种模型,使用实时采集数据实现下一时刻短期精准判断的同时,还可以充分利用模型预测数据及气象机构提供的未来预测数据,对于长期的预测值也有很好的准确度。
S104:根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
在本说明书一个或多个实施例中,所述根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测电量序列之后,所述方法还包括:
根据所述预测电量序列获取各分布式光伏发电设备的可并网电量;
根据所述可并网电量与所述待测区域的城市规划状况,调整所述分布式光伏发电设备的划分,获得更新后的光伏区域。
在本说明书一个或多个实施例中,所述获得更新后的光伏区域之后,方法还包括:
根据所述预测电量序列调整所述光伏发现设备物联网采集数据频率及光伏区域的数据采集计算公式,获取调整后的采集参数;
基于所述更新后的光伏区域大小、调整后的采集参数即预测电量序列分别对所述短时预测模型及长期预测模型进行优化。
在经过短时预测模型与长期预测模型对并网电量进行预测之后,可以持续性收集实际可并网电量数据,获得可并网电量的预测电量序列。根据预测后的并网电量值序列与待测区域所在城市的实际城市规划状况,可以实时分析获得当前光伏区域与城市规定的电网负荷匹配度,从而调整分布式光伏区域的部署规划,使得电网***实现更加合理的管理。
在经过短时预测模型与长期预测模型对并网电量进行预测之后,可以持续性收集实际可并网电量数据,并根据实际结果调整分布式光伏发电设备的物理采集数据频率和广度区域的数据采集计算公式等参数,获得调整后的参数。通过调整后的光伏区域大小和调整后的参数,实现了实时反馈并优化预测模型,使得光伏区域的并网电量预测准确度可以获得持续性提高。
如图4所示,本说明书一个或多个实施例提供了一种光伏区域并网电量的预测设备的设备内部结构图。由图4可知,所述设备包括:
至少一个处理器401;以及,
与所述至少一个处理器401通信连接的存储器402;其中,
所述存储器402存储有可被所述至少一个处理器401执行的指令,所述指令被所述至少一个处理器401执行,以使所述至少一个处理器401能够:
将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;
基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值;
基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区数据的长期并网电量值;
根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
如图5所示,本说明书一个或多个实施例提供了一种非易失性存储介质的内部结构示意图。由图5可知,一种非易失性存储介质,存储有计算机的可执行指令501,其特征在于,所述可执行指令501包括:
将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;
基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值;
基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区数据的长期并网电量值;
根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种光伏区域并网电量的预测方法,其特征在于,所述方法包括:
将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;
基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值;
基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区数据的长期并网电量值;
根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
2.根据权利要求1所述的一种光伏区域并网电量的预测方法,其特征在于,所述将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域,具体包括:
获取所述待测区域的城市规划状况;其中,所述城市规划状况至少包括:电网的负荷阈值;
根据所述待测区域的城市规划状况与所述分布式光伏发电设备的分布状况,确定所述分布式光伏发电设备的初步划分区域;
根据所述分布式光伏发电设备的初步划分区域将待测区域划分为多个光伏区域。
3.根据权利要求1所述的一种光伏区域并网电量的预测方法,其特征在于,所述将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设短时预测模型之前,所述方法还包括:
基于云数据中心获取各分布式光伏发电设备的实时数据及气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据;其中,所述实时数据包括:可并网电量值、温度值、湿度值、光照强度、物联网传感器的采集数据、分布式光伏运行数据;
根据所述分布式光伏发电设备的物联网传感数据采集频率设定3D卷积神经网络的时间维度;
将所述过滤后数据作为第一训练特征数据,并将所述第一训练特征数据通过多通道输入所述3D卷积神经网络;
基于所述3D卷积神经网络训练符合要求的短时预测模型。
4.根据权利要求1所述的一种光伏区域并网电量的预测方法,其特征在于,所述基于预设的时间间隔将所述实时数据、预测数据及所述短时预测电量值,输入预设的长期预测模型之前,所述方法还包括:
基于云数据中心获取各分布式光伏发电设备的实时数据、气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据;
根据所述分布式光伏发电设备的物联网传感数据采集频率,设定3D卷积神经网络的时间维度;
将所述过滤后数据以及所述短期预测模型确定的短时预测电量作为第二训练特征数据并将所述第二训练特征数据基于多通道输入所述3D卷积神经网络;
通过所述3D卷积神经网络的训练学习,获得符合要求的长期预测模型。
5.根据权利要求3所述的一种光伏区域并网电量的预测方法,其特征在于,所述基于云数据中心获取各分布式光伏发电设备的实时数据及气象机构预测数据,对所述实时数据及气象机构预测数据进行分析,并过滤错误数据获得过滤后数据之前,所述方法还包括:
采集各分布式光伏发电设备的物联网采集数据、分布式光伏运行数据、可并网电量,环境数据,作为所述分布式光伏发电设备的实时数据;其中,所述环境数据至少包括:温度值、湿度值、光照强度;
基于权威气象机构获取所述光伏区域的气象机构预测数据,其中,所述气象机构预测数据包括:云图数据、气象数据、气象机构预测数据;
将所述分布式光伏发电设备的实时数据与所述气象机构预测数据存储到云数据中心,以便基于所述云数据中心进行数据分析处理。
6.根据权利要求5所述的一种光伏区域并网电量的预测方法,其特征在于,所述采集各分布式光伏发电设备的物联网采集数据,具体包括:
获取所述分布式光伏发电设备的物联网传感数据采集频率;
根据所述物联网传感数据采集频率、所述3D卷积神经网络的时间维度及光伏区域的范围,设定所述光伏区域的数据采集计算公式;
基于所述数据采集计算公式获得物联网传感器的采集数据。
7.根据权利要求1所述的一种光伏区域并网电量的预测方法,其特征在于,所述根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测电量序列之后,所述方法还包括:
根据所述预测电量序列获取各分布式光伏发电设备的可并网电量;
根据所述可并网电量与所述待测区域的城市规划状况,调整所述分布式光伏发电设备的划分,获得更新后的光伏区域。
8.根据权利要求7所述的一种光伏区域并网电量的预测方法,其特征在于,所述获得更新后的光伏区域之后,所述方法还包括:
根据所述预测电量序列调整所述分布式光伏发电设备的物联网采集数据频率及光伏区域的数据采集计算公式,获取调整后的采集参数;
基于所述更新后的光伏区域大小、调整后的采集参数即预测电量序列分别对所述短时预测模型及长期预测模型进行优化。
9.一种光伏区域并网电量的预测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;
基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值;
基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区数据的长期并网电量值;
根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
10.一种非易失性存储介质,存储有计算机的可执行指令,其特征在于,所述可执行指令包括:
将待测区域的分布式光伏发电设备进行划分,获得多个光伏区域;
基于预设的时间间隔,将所述光伏区域中各分布式光伏发电设备的实时数据及气象机构预测数据,输入预设的短时预测模型,获得所述光伏区域的短时并网电量值;
基于预设的时间间隔将所述实时数据、气象机构预测数据及所述短时预测电量值,输入预设的长期预测模型,获得所述光伏区数据的长期并网电量值;
根据所述长期预测模型持续预测所述光伏区域的长期预测电量,获得所述光伏区域的预测并网电量序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997927.7A CN113689045B (zh) | 2021-08-27 | 2021-08-27 | 一种光伏区域并网电量的预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997927.7A CN113689045B (zh) | 2021-08-27 | 2021-08-27 | 一种光伏区域并网电量的预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689045A true CN113689045A (zh) | 2021-11-23 |
CN113689045B CN113689045B (zh) | 2023-06-27 |
Family
ID=78583666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110997927.7A Active CN113689045B (zh) | 2021-08-27 | 2021-08-27 | 一种光伏区域并网电量的预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689045B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN112101626A (zh) * | 2020-08-14 | 2020-12-18 | 安徽继远软件有限公司 | 一种分布式光伏发电功率预测方法及*** |
CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
CN113052389A (zh) * | 2021-04-01 | 2021-06-29 | 中国电力科学研究院有限公司 | 基于多任务的分布式光伏电站超短期功率预测方法及*** |
-
2021
- 2021-08-27 CN CN202110997927.7A patent/CN113689045B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN112101626A (zh) * | 2020-08-14 | 2020-12-18 | 安徽继远软件有限公司 | 一种分布式光伏发电功率预测方法及*** |
CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
CN113052389A (zh) * | 2021-04-01 | 2021-06-29 | 中国电力科学研究院有限公司 | 基于多任务的分布式光伏电站超短期功率预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113689045B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107204615B (zh) | 一种实现功率预测的方法及*** | |
CN104836259B (zh) | 一种多能源船舶微网实时能量优化调度方法 | |
KR101298500B1 (ko) | 마이크로그리드 시뮬레이션 장치 및 전력 관리 시스템 | |
CN103390199A (zh) | 光伏发电量/发电功率预测装置 | |
Ghiassi-Farrokhfal et al. | Solar power shaping: An analytical approach | |
CN113496311A (zh) | 光伏电站发电功率预测方法及*** | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN110350518B (zh) | 一种用于调峰的电网储能容量需求评估方法及*** | |
CN113496316B (zh) | 基于源荷时序耦合的容量配置方法、装置、***及介质 | |
KR102338519B1 (ko) | 실시간 신재생에너지 발전량 추정 시스템 | |
CN113256033B (zh) | 基于模态互补的发电站选址定容方法、装置、***及介质 | |
CN105656026A (zh) | 可再生能源的设备建设资源配置方法和*** | |
CN111105096A (zh) | 一种新能源并网布局规划方法与*** | |
Vlasov et al. | Predictive control algorithm for a variable load hybrid power system on the basis of power output forecast | |
CN117540859B (zh) | 一种基于神经网络的光伏电站发电量的预估方法及*** | |
CN116736893B (zh) | 一种光储装置的智慧能源管理方法及光储装置 | |
CN109543910A (zh) | 一种考虑偏差考核惩罚的售电公司电量鲁棒决策电路及方法 | |
CN113689045B (zh) | 一种光伏区域并网电量的预测方法、设备及介质 | |
CN116454983B (zh) | 一种风光储联合最优控制管理方法、***及设备 | |
CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
CN107947208B (zh) | 一种弃风与大规模电池储能协调运行方法 | |
CN112600248A (zh) | 一种光柴储复合供电控制方法 | |
Femin et al. | Modeling the temporal variations in the output of large solar PV power plants | |
CN104539056A (zh) | 一种分布式光伏电站群与电网信息即时传输管理*** | |
Hu et al. | SWAF: a distributed solar wsn adaptive framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |